基于遗传-拟牛顿混合算法的地下震源定位

发布时间：2021-09-29 07:43

　　为了用多传感器网络解决震源的定位问题,采用脉冲耦合时钟同步算法,同步所有传感器网络节点时钟,在此基础上,测出震源发出的脉冲信号到达各个节点的时间差。结合遗传算法的全局寻优能力和拟牛顿算法的快速局部搜索能力,提出遗传-拟牛顿混合算法的到达时间差定位方法。为了验证该混合算法的精确性,使用MATLAB分别对拟牛顿算法与遗传-拟牛顿混合算法的横轴和纵轴进行仿真,通过对比,证明了遗传-拟牛顿混合算法收敛速度快、精确度高、稳定性好。 

【文章来源】：河南理工大学学报(自然科学版). 2020,39(04)北大核心

【文章页数】：6 页

【部分图文】：

震源定位模型

在传感器网络中,一个给定的传感器节点只需计数邻居节点Ni和收集TOA值,因此,各个节点之间的信息交换在传感器网络中起着至关重要的作用。基于式(7),每一个传感器解决了本节点对震源的定位问题,然后与所有节点的定位结果相结合,最后平均化,获得一个精确位置。为了定位出未知震源的坐标,需要求解式(8)的解,即找到使式(8)最小的向量值(x,y)。本文选用遗传算法搜索出离精确解最近的坐标,将其作为拟牛顿算法的初始值,进行快速迭代,收敛至精确坐标,定位流程如图2所示。2 混合算法

遗传算法(genetic algorithm,GA)是一种有效解决最优化问题的方法,通过快速搜索得到接近精确解的近似解。GA是模拟达尔文的自然选择和自然淘汰的生物进化过程的计算模型,也是近年来优化领域的研究热点。遗传算法具有全局搜索的功能,前期寻优搜索速度很快,因此,在解决很多复杂和状态多变的优化问题方面具有很大优势。本文将震源定位中的目标函数作为适应度函数,具体参数为:选用杂交概率Pc=0.7,变异概率Pm=0.15,学习率eta=0.8,最大迭代次数kmax=500。首先,需要给定搜索的空间范围和随机产生由400个个体组成的一个群体,GA以此400个个体为初始点开始迭代;其次,选择能够达到符合预期期望的适应度函数,即为本文的目标函数;最后。模拟种群随机交配原理,种群间进行选择、交叉和变异,产生子代,变异出新个体,进行自然选择,逐步选择适应新环境较强的个体,淘汰劣势个体,周而复始,直到满足所设迭代条件后,方可终止,具体算法流程见图3。2.2 拟牛顿算法

【参考文献】：
期刊论文
[1]一种基于TOA测距的室内三维质心定位算法研究[J]. 何世钧,黄智伟,黄星琪.  测控技术. 2017(10)
[2]基于RSSI定位算法的无线传感器网络研究[J]. 贾宗璞,徐园园,董家昕.  河南理工大学学报(自然科学版). 2016(04)
[3]基于无线传感器网络时钟同步的定位算法研究[J]. 陈辉,熊辉,殷昌盛,魏浩.  现代电子技术. 2015(07)
[4]基于麦克风阵列的声源定位研究[J]. 邓艳容,景新幸,任华娟.  电子技术应用. 2010(02)
[5]求解非线性不等式组的混合遗传算法[J]. 叶海,马昌凤.  福建师范大学学报(自然科学版). 2010(01)



本文编号：3413328